टेक्स्ट से वीडियो

खुली 2.2 पंक्ति में पाठ-टू-वीडियो दो व्यंजनों हैंः सिनेमाई MoE T2V-A14B (480P/720P, ~80 GB) और हाइब्रिड TI2V-5B (720P@24 fps) एक 24 GB कार्ड पर ऑफलोड के साथ। दोनों मूक फ्रेम को डिकोड करते हैं।

t2v-A14Bti2v-5B720P
इस पृष्ठ पर 6
UMT5 और DiT MoE से VAE तक का प्रोंट से UMT5 और DiT MoE तक का पाठ-वीडियो पाइपलाइन
T2V पथ: prompt → UMT5-XXL → Wan2.2 DiT → VAE डिकोड करें।

दो आधिकारिक T2V प्रविष्टियाँ

कार्य ध्वजमॉडलविशिष्ट आकारVRAM (आधिकारिक)नोट्स
t2v-A14BWan2.2-T2V-A14B1280×720 या 480P≥ 80 GB एकल GPUMoE उच्च/कम शोर विशेषज्ञ
ti2v-5BWan2.2-TI2V-5B1280×704 या 704×1280लोड से मुक्त होने के साथ ≥ 24 GB720P @ 24 fps; हाइब्रिड T2V+I2V

आधिकारिक एकल-GPU कमांड

T2V-A14B (80 GB वर्ग)
python generate.py --task t2v-A14B --size 1280*720 --ckpt_dir ./Wan2.2-T2V-A14B --offload_model True --convert_model_dtype --prompt "Two anthropomorphic cats in comfy boxing gear and bright gloves fight intensely on a spotlighted stage."
TI2V-5B (24 GB / 4090 वर्ग)
python generate.py --task ti2v-5B --size 1280*704 --ckpt_dir ./Wan2.2-TI2V-5B --offload_model True --convert_model_dtype --t5_cpu --prompt "Two anthropomorphic cats in comfy boxing gear and bright gloves fight intensely on a spotlighted stage"

बहु-GPU के साथ टॉर्च्रून का उपयोग करता है --dit_fsdp --t5_fsdp --ulysses_size... README आठ GPUs के लिए उदाहरण समर्थित पथ है जब एक एकल 80 GB कार्ड उपलब्ध नहीं है।

स्टैक क्या करता है

  • पाठ एन्कोडरः UMT5-XXL. यदि VRAM तंग है तो --t5_cpu के साथ इसे उतार दें।
  • रीढ़ की हड्डीः प्रवाह के साथ मेल DiT। A14B विशेषज्ञों को SNR द्वारा स्विच करता है; TI2V-5B घना है।
  • लटेंट्सः Wan-VAE (2.1-स्टाइल 4×8×8 पर A14B; 2.2 4×16×16 पर TI2V-5B) ।
  • शीघ्र विस्तार की सिफारिश की जाती है; शीघ्र विस्तार विकी देखें।

स्रोत से गुणवत्ता के दावे लेने के लिए

README Wan2.2 को Wan-बेंच 2.0 के मुकाबले कई बंद मॉडल के रूप में स्थान देता है, जिसमें Wan2.1 की तुलना में अधिक गति/सार्थक/सौंदर्य संबंधी डेटा होता है। जब तक वे एक ही बेंच और एक ही 2.2 चेकपॉइंट का उल्लेख नहीं करते हैं तब तक तृतीय-पक्ष SOTA तालिकाओं को विपणन के रूप में माना जाता है (A14B बनाम 5B बनाम एक क्वांटिज़्ड सामुदायिक पैक) ।

अक्सर पूछे जाने वाले प्रश्न

मुझे किस आकार को पास करना चाहिए?
A14B 1280*720 (या 480P जोड़ी) का उपयोग करता है। TI2V-5B 720P 1280*704 या 704*1280 है, 1280*720 नहीं। यह अंतर आधिकारिक README में है।
clip कितना लंबा है?
सार्वजनिक व्यंजनों में लघु फिल्मी शॉट (5 सेकंड के क्रम में) हैं। S2V अवधि इसके बजाय ऑडियो ट्रैक का अनुसरण करती है।
Diffusers?
हाँ. Wan-AI/Wan2.2-T2V-A14B-Diffusers और Wan2.2-TI2V-5B-Diffusers 28 जुलाई, 2025 के समाचार खंड में सूचीबद्ध हैं।

प्राथमिक स्रोत

Wan-Video/Wan2.2 README से सत्यापित · 28 अगस्त 2026

© 2026 wan2.video